CN110365671B - 一种支持隐私保护的群智感知激励机制方法 - Google Patents

一种支持隐私保护的群智感知激励机制方法 Download PDF

Info

Publication number
CN110365671B
CN110365671B CN201910610945.8A CN201910610945A CN110365671B CN 110365671 B CN110365671 B CN 110365671B CN 201910610945 A CN201910610945 A CN 201910610945A CN 110365671 B CN110365671 B CN 110365671B
Authority
CN
China
Prior art keywords
task
attribute
performer
commitment
server
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201910610945.8A
Other languages
English (en)
Other versions
CN110365671A (zh
Inventor
安健
汪振星
桂小林
梁丹薇
杨和
滕晓宇
程锦东
廖东
姜林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Research Institute Of Xi'an Jiaotong University
Original Assignee
Shenzhen Research Institute Of Xi'an Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Research Institute Of Xi'an Jiaotong University filed Critical Shenzhen Research Institute Of Xi'an Jiaotong University
Priority to CN201910610945.8A priority Critical patent/CN110365671B/zh
Publication of CN110365671A publication Critical patent/CN110365671A/zh
Application granted granted Critical
Publication of CN110365671B publication Critical patent/CN110365671B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0407—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the identity of one or more communicating identities is hidden
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种支持隐私保护的群智感知激励机制方法，任务发布者通过服务器发布任务，任务执行者在数据提交前先进行任务执行者服务属性与任务需求间的匹配，然后根据匹配结果服务器选择任务执行者并推送任务信息；任务执行者和服务器提供匹配度计算相应证据到可信第三方的公告栏上进行验证；合格的任务执行者提交参与任务数的密文形式到可信第三方的公告栏上，计算所有合格任务执行者的密文以得到不同任务的参与人数；任务工作者通过任务发布者提交到公告栏上的真值承诺和数据质量表验证所得到的数据质量，任务发布者根据任务参与人数和数据质量表计算报酬并奖励任务执行者和服务器。本发明提高了任务发布者最终获得的任务结果的质量。

Description

一种支持隐私保护的群智感知激励机制方法
技术领域
本发明属于物联网技术领域，具体涉及一种支持隐私保护的群智感知激励机制方法。
背景技术
随着移动终端的大范围普及，其上嵌入的各种传感器为群智感知的发展提供了良好的硬件基础。相较于传统的固定传感器网络，群智感知有着低成本、大范围、及时便利等的优势。然而，由于工作者和服务器的利益复杂性，其可信任性往往是不可控的。
一般而言体现在下面几个方面：首先，服务器在选择合格的任务执行者时，因利益驱动可能会窃取任务执行者的隐私信息，任务工作者也可能谎报自己的匹配资格，并且服务器存在通过谎报名额和数据质量吃空饷的可能，使得任务执行者应得的金额会被服务器恶意篡改，任务发布者所支付报酬会受到欺诈。其次，若是简单的公开每个任务对应的用户和数据质量以供验证，用户隐私可能遭到关联攻击而泄露。为了在实现保护隐私的同时公平地进行报酬分配，需要设计合适的激励机制，使得服务器在节点选择实现可验证，公平公正计算和分配报酬。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种支持隐私保护的群智感知激励机制方法，在隐私保护的同时，能有效的进行用户匹配，公正地分配报酬，提高了工作者的积极性，并避免服务器的恶意行为，减少任务发布者的损失。
本发明采用以下技术方案：
一种支持隐私保护的群智感知激励机制方法，任务发布者通过服务器发布任务，在不泄露任务发布者的隐私和任务需求的前提下，任务执行者在数据提交前先进行任务执行者服务属性与任务需求间的匹配，然后根据匹配结果服务器选择合格的任务执行者，并推送任务信息；任务执行者和服务器提供匹配度计算相应证据到可信第三方的公告栏上进行验证；在任务发布者发放报酬阶段，合格的任务执行者提交参与任务数的密文形式到可信第三方的公告栏上，在用户匹配度的正确性被验证通过之后，能够计算所有合格任务执行者的密文以得到不同任务的参与人数；任务工作者通过任务发布者提交到公告栏上的真值承诺和数据质量表验证所得到的数据质量，任务发布者根据任务参与人数和数据质量表计算报酬并奖励任务执行者和服务器。
具体的，包括以下步骤：
S1、任务执行者在进行用户匹配计算之前，将服务能力集合X的承诺集合C以及X属性的平方承诺集合C’提交到可信第三方的公告栏上；
S2、在隐私保护的前提下，服务器依据任务属性集合Y与任务执行者的服务能力属性集合X进行交互计算得到数据a,同时任务执行者得到数据b，任务执行者和服务器获得最终的匹配值a+b；
S3、任务执行者将匹配值a+b，所有的任务发布者将任务属性集合Y以及Y属性的平方承诺集合D’提交到可信第三方公告栏，任何人根据服务能力集合X的承诺集合C，以及X属性的平方承诺集合C’，匹配值a+b，任务属性集合Y以及Y属性的平方承诺集合D’验证a+b是否是正确的匹配值；
S4、在任务发布者发放报酬阶段，合格的任务执行者将参与的任务数以密文形式Si提交给公告栏；
S5、任何人根据可信第三方公告栏上的所有任务发布者的密文Si计算出∑Si，通过∑Si可以得到所有任务的参与人数Ci；
S6、任务发布者发布所有的质量评估表W真值承诺O到公告栏上，任务执行者进行数据质量的正确性验证，根据任务执行者密文，在可信第三方公告栏上任何人都可得到任务参与人数Ci，任务发布者根据验证后的数据质量和任务参与人数计算报酬以奖励任务执行者和服务器。
进一步的，步骤S1中，任务执行者服务能力集合X的承诺集合C以及X属性的平方承诺集合C’计算如下：
Figure BDA0002122352150000031
Figure BDA0002122352150000032
同理，任务属性集合Y的的平方承诺集合D’计算如下：
Figure BDA0002122352150000033
其中，i＝1,...,n，n1是大素数，g1是模n1的本原元，xi是任务执行者服务属性，ci，是对应属性承诺，ci’是对应属性平方承诺，yi是任务属性，di’是对应任务属性平方承诺。
进一步的，步骤S2中，根据任务执行者和服务器之间任务匹配度
Figure BDA0002122352150000034
任务执行者A和共识节点B所拥有的a,b值计算如下：
S′＝(X+C×R)·Y，
Figure BDA0002122352150000035
其中，C为任务执行者A，共识节点B共同决定的n*n/2随机矩阵，R为任务执行者A产生的基为n/2随机向量，X+C*R由任务执行者A产生并传递给共识节点B；
S"＝(CT×Y)·R，
Figure BDA0002122352150000041
其中，CT*Y由共识节点B产生并传递给任务执行者A，a+b即为任务属性和执行者服务能力的匹配度。
进一步的，步骤S3，验证用户匹配度的验证公式为：
Figure BDA0002122352150000042
其中，n1是大素数，g1是模n1的本原元。
进一步的，步骤S4中，任务参与者i参与的任务数的编码为：
Figure BDA0002122352150000043
其中，M是任务参与者数量的的上限；根据Elgamal同态加密得到密文Si为：
Figure BDA0002122352150000044
其中，设置
Figure BDA0002122352150000045
为p阶有限乘法循环群，g为
Figure BDA0002122352150000046
的生成元，Ti，Ki满足关系如下：
Figure BDA0002122352150000047
其中，kij,tij由i，j任务执行者共享，各自有
Figure BDA0002122352150000048
个，n为合格的参与者数；当n为奇数时，未共享者设置一个
Figure BDA0002122352150000049
其中，Ku为只有一人选择的。
进一步的，步骤S5中，∑Si计算如下：
Figure BDA00021223521500000410
∑iTi＝0，∑iKi＝0
Figure BDA00021223521500000411
其中，
Figure BDA0002122352150000051
为离散对数，g为
Figure BDA0002122352150000052
的生成元，Ti，Ki满足关系如下：
Figure BDA0002122352150000053
其中，kij,tij由i，j任务执行者共享，各自有
Figure BDA0002122352150000054
个，n为合格的参与者数量；当n为奇数时，未共享者设置一个
Figure BDA0002122352150000055
其中，Ku为只有一人选择的。
更进一步的，通过小步大步算法和指数积分法计算∑iVi为：
∑iVi＝M0*C1+...+M(k-1)*Ck
其中，(C1,C2,…,Ck)分别是k个任务相应的参与人数。。
进一步的，步骤S6中，在不泄露真值的条件下，验证结果是否正确的计算如下：
Figure BDA0002122352150000056
Figure BDA0002122352150000057
Figure BDA0002122352150000058
其中，n2是大素数，g2是模n2的本原元，O为数据的真值，
Figure BDA0002122352150000059
为真值的承诺，m为任务执行者的数据，
Figure BDA00021223521500000510
为数据质量的承诺值，si为数据质量表中数据质量s1～sn的任意值。
与现有技术相比，本发明至少具有以下有益效果：
本发明提出了一种支持隐私保护的群智感知激励机制方法，可以在保护隐私的同时，更加公正的选择任务节点，并且通过合格的任务参与者来计算任务的参与人数以及验证数据质量，避免了服务器因为私利通过谎报名额和数据质量吃空饷以及恶意篡改任务节点应得的报酬，同时减少了任务发布者的损失，实现了工作者报酬可验证性。发明中服务器在节点选择的计算实现可验证性，报酬计算和分配部分保证了公平公正，有效的提高了工作者的积极性。
进一步的，步骤S1通过将任务参与者的将服务能力集合X的承诺集合C以及X属性的平方承诺集合C’提交到可信第三方的公告栏上，以此来为之后的任务执行者匹配程度可验证计算打下基础。
进一步的，步骤S2通过双方安全计算已得到数据a、b,将原有的用户匹配计算转换为隐私保护下的安全计算，即a+b的值便是最终的匹配结果，同时未泄露匹配双方所拥有的隐私信息。
进一步的，步骤S3中，任务执行者将匹配值a+b，所有的任务发布者将任务属性集合Y(y1,…yn)以及Y属性的平方承诺集合D’提交到可信第三方公告栏，任何人都可以根据服务能力集合X的承诺集合C，以及X属性的平方承诺集合C’，匹配值a+b，任务属性集合Y以及Y属性的平方承诺集合D’来验证a+b是否是正确的匹配值。
进一步的，步骤S4中，为公正的得到任务的参与人数，合格的任务参与者加密并提交自己所参与的所有任务数量。
进一步的，步骤S5中，任何人都可以根据公告栏上的任务参与者的密文计算每个任务参与的人数。
进一步的，步骤S6中，任务执行者可以根据公告栏上真值承诺和任务执行者数据进行数据质量的正确性验证。
进一步的，步骤S7中，保护隐私的同时可以公正地计算出用户匹配值，在可信第三方可验证用户匹配值并计算任务的合格参与人数，数据质量，任务发布者据此以奖励任务执行者和服务器。
综上所述，本发明激励方法综合分析可在保护隐私的同时降低不合格数据质量的参与度，提高了任务发布者最终获得的任务结果的质量，避免了服务器因为私利谎报名额和修改质量吃空饷，以及恶意篡改任务节点应得的报酬，同时减少了任务发布者的损失，实现了工作者报酬可验证性，提高了工作者积极性。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明激励机制框架图。
具体实施方式
本发明提供了一种支持隐私保护的群智感知激励机制方法，首先，任务发布者通过服务器发布任务，在不泄露任务发布者的隐私和任务需求的前提下，任务执行者在数据提交之前进行任务执行者服务属性与任务需求间的匹配。然后根据匹配结果服务器可选择合格的任务执行者，并推送任务信息。考虑到任务发布者和服务器之间的不诚实以及协同作弊的问题，任何人都可以在第三方可信机构的公告栏上进行验证。接着为了保证服务器激励过程中的隐私与公正性，任务执行者提交参与任务数的密文形式到公告栏上，根据合格任务执行者的密文可以得到不同任务的参与人数。此外，任务执行者可以在可信第三方通过真值承诺和数据质量表验证所得到的数据质量。最后任务发布者根据任务执行者人数和数据质量表奖励任务执行者和服务器。
请参阅图1，本发明一种支持隐私保护的群智感知激励机制方法，包括任务发布者、服务器、携带移动终端设备的任务执行者和第三方可信机构；用户匹配度由任务执行者和服务器利用双方安全计算得到，在第三方可信机构的公告栏上，任何人均可验证最终的用户匹配度，并由执行者提交密文计算任务的工作者数量；最后，由工作者完成数据质量的验证。整个过程使得群智感知可在隐私保护的前提下，可以公平地进行用户匹配和报酬分配，提交了参与者的积极性。具体步骤如下：
S1、任务执行者服务能力集合X(x1,x2,…,xn)的承诺集合C(c1,c2,…,cn)以及X属性的平方承诺集合C’(c1’，c2’，…，cn’)计算如下
Figure BDA0002122352150000081
Figure BDA0002122352150000082
同理,任务属性集合Y(y1,y2,…,yn)的平方承诺集合D’计算如下：
Figure BDA0002122352150000083
其中，i＝1,...,n，n1是大素数，g1是模n1的本原元。xi是任务执行者服务属性，ci，是对应属性承诺，ci’是对应属性平方承诺，yi是任务属性，di’是对应属性平方承诺。
S2、根据任务执行者和服务器之间任务匹配度
Figure BDA0002122352150000084
任务执行者A和共识节点B的a,b值计算如下：
B计算
S′＝(X+C×R)·Y，
Figure BDA0002122352150000085
其中C为A，B共同决定的n*n/2随机矩阵，R为A产生的基为n/2随机向量,X+C*R由A产生并传递给B。
A计算
S"＝(CT×Y)·R，
Figure BDA0002122352150000086
其中，CT*Y由B产生并传递给A。
综上所述，a+b即为任务属性和执行者服务能力的匹配程度。
S3、验证匹配度的正确性的计算如下：
Figure BDA0002122352150000091
其中，n1是大素数，g1是模n1的本原元；
S4、在隐私保护的同时计算所有任务的参与者数，工作者将提交密Si到第三方可信机构，计算如下：
任务参与者i参与的任务数的编码为
Figure BDA0002122352150000092
M大于任务所能接受参与者的最大值。根据Elgamal同态加密得到密文
Figure BDA0002122352150000093
其中，设置
Figure BDA0002122352150000094
为p阶有限乘法循环群，g为
Figure BDA0002122352150000095
的生成元，Ti,Ki满足
Figure BDA0002122352150000096
其中，kij，tij由i，j任务执行者共享，各自有
Figure BDA0002122352150000097
个，其中n为合格的参与者数。
注意，当n为奇数时，未共享者设置一个
Figure BDA0002122352150000098
其中Ku为只有一人选择的值。
S5，∑Si计算如下：
Figure BDA0002122352150000099
∑iTi＝0，∑iKi＝0
Figure BDA00021223521500000910
其中，
Figure BDA00021223521500000911
为离散对数，g为
Figure BDA00021223521500000912
的生成元，Ti，Ki满足关系如下：
Figure BDA00021223521500000913
其中，kij,tij由i，j任务执行者共享，各自有
Figure BDA00021223521500000914
个，n为合格的参与者数；当n为奇数时，未共享者设置一个
Figure BDA00021223521500000915
其中，Ku为只有一人选择的。
通过小步大步算法和指数积分法计算∑iVi为：
∑iVi＝M0*C1+...+M(k-1)*Ck
其中，M是任务参与者数量的的上限，(C1,C2,…,Ck)分别是k个任务相应的参与人数。
S6、在不泄露真值的条件下，验证结果是否正确的计算如下：
Figure BDA0002122352150000101
Figure BDA0002122352150000102
Figure BDA0002122352150000103
其中，n2是大素数，g2是模n2的本原元，O为数据的真值，
Figure BDA0002122352150000104
为真值的承诺，m为任务执行者的数据，
Figure BDA0002122352150000105
为数据质量的承诺值，si为数据质量表中数据质量s1～sn的任意值。
综上所述，本发明在对数据质量的提高，服务器的恶意行为的减低，任务发布者损失的减少，任务发布者参与兴趣的提高等方面都有着很好的表现。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (6)

1.一种支持隐私保护的群智感知激励机制方法，其特征在于，任务发布者通过服务器发布任务，在不泄露任务发布者的隐私和任务需求的前提下，任务执行者在数据提交前先进行任务执行者服务属性与任务需求间的匹配，然后根据匹配结果服务器选择合格的任务执行者，并推送任务信息；任务执行者和服务器提供匹配度计算相应证据到可信第三方的公告栏上进行验证；在任务发布者发放报酬阶段，合格的任务执行者提交参与任务数的密文形式到可信第三方的公告栏上，在用户匹配度的正确性被验证通过之后，能够计算所有合格任务执行者的密文以得到不同任务的参与人数；任务工作者通过任务发布者提交到公告栏上的真值承诺和数据质量表验证所得到的数据质量，任务发布者根据任务参与人数和数据质量表计算报酬并奖励任务执行者和服务器，包括以下步骤：
S1、任务执行者在进行用户匹配计算之前，将服务能力集合X的承诺集合C以及X属性的平方承诺集合C’提交到可信第三方的公告栏上，任务执行者服务能力集合X的承诺集合C以及X属性的平方承诺集合C’计算如下：
Figure FDA0003064870480000011
Figure FDA0003064870480000012
同理，任务属性集合Y的的平方承诺集合D’计算如下：
Figure FDA0003064870480000013
其中，i＝1,...,n，n1是大素数，g1是模n1的本原元，xi是任务执行者服务属性，ci，是对应属性承诺，ci’是对应属性平方承诺，yi是任务属性，di’是对应任务属性平方承诺；
S2、在隐私保护的前提下，服务器依据任务属性集合Y与任务执行者的服务能力属性集合X进行交互计算得到数据a,同时任务执行者得到数据b，任务执行者和服务器获得最终的匹配值a+b；
S3、任务执行者将匹配值a+b，所有的任务发布者将任务属性集合Y以及Y属性的平方承诺集合D’提交到可信第三方公告栏，任何人根据服务能力集合X的承诺集合C，以及X属性的平方承诺集合C’，匹配值a+b，任务属性集合Y以及Y属性的平方承诺集合D’验证a+b是否是正确的匹配值；
S4、在任务发布者发放报酬阶段，合格的任务执行者将参与的任务数以密文形式Si提交给公告栏；
S5、任何人根据可信第三方公告栏上的所有任务发布者的密文Si计算出∑Si，通过∑Si可以得到所有任务的参与人数Ci；
S6、任务发布者发布所有的质量评估表W真值承诺O到公告栏上，任务执行者进行数据质量的正确性验证，根据任务执行者密文，在可信第三方公告栏上任何人都可得到任务参与人数Ci，任务发布者根据验证后的数据质量和任务参与人数计算报酬以奖励任务执行者和服务器，在不泄露真值的条件下，验证结果是否正确的计算如下：
Figure FDA0003064870480000021
Figure FDA0003064870480000022
Figure FDA0003064870480000023
其中，n2是大素数，g2是模n2的本原元，O为数据的真值，
Figure FDA0003064870480000024
为真值的承诺，m为任务执行者的数据，
Figure FDA0003064870480000025
为数据质量的承诺值，si为数据质量表中数据质量s1～sn的任意值。
2.根据权利要求1所述的支持隐私保护的群智感知激励机制方法，其特征在于，步骤S2中，根据任务执行者和服务器之间任务匹配度
Figure FDA0003064870480000026
任务执行者A和共识节点B所拥有的a,b值计算如下：
Figure FDA0003064870480000027
其中，C为任务执行者A，共识节点B共同决定的n*n/2随机矩阵，R为任务执行者A产生的基为n/2随机向量，X+C*R由任务执行者A产生并传递给共识节点B；
Figure FDA0003064870480000031
其中，CT*Y由共识节点B产生并传递给任务执行者A，a+b即为任务属性和执行者服务能力的匹配度。
3.根据权利要求1所述的支持隐私保护的群智感知激励机制方法，其特征在于，步骤S3，验证用户匹配度的验证公式为：
Figure FDA0003064870480000032
其中，n1是大素数，g1是模n1的本原元。
4.根据权利要求1所述的支持隐私保护的群智感知激励机制方法，其特征在于，步骤S4中，任务参与者i参与的任务数的编码为：
Figure FDA0003064870480000033
其中，M是任务参与者数量的的上限；根据Elgamal同态加密得到密文Si为：
Figure FDA0003064870480000034
其中，设置
Figure FDA0003064870480000035
为p阶有限乘法循环群，g为
Figure FDA0003064870480000036
的生成元，Ti，Ki满足关系如下：
Figure FDA0003064870480000037
其中，kij,tij由i，j任务执行者共享，各自有
Figure FDA0003064870480000038
个，n为合格的参与者数；当n为奇数时，未共享者设置一个
Figure FDA0003064870480000039
其中，Ku为只有一人选择的。
5.根据权利要求1所述的支持隐私保护的群智感知激励机制方法，其特征在于，步骤S5中，∑Si计算如下：
Figure FDA00030648704800000310
∑iTi＝0，∑iKi＝0
Figure FDA0003064870480000041
其中，
Figure FDA0003064870480000042
为离散对数，g为
Figure FDA0003064870480000043
的生成元，Ti，Ki满足关系如下：
Figure FDA0003064870480000044
其中，kij,tij由i，j任务执行者共享，各自有
Figure FDA0003064870480000045
个，n为合格的参与者数量；当n为奇数时，未共享者设置一个
Figure FDA0003064870480000046
其中，Ku为只有一人选择的。
6.根据权利要求5所述的支持隐私保护的群智感知激励机制方法，其特征在于，通过小步大步算法和指数积分法计算∑iVi为：
∑iVi＝M0*C1+...+M(k-1)*Ck
其中，(C1,C2,…,Ck)分别是k个任务相应的参与人数。
CN201910610945.8A 2019-07-08 2019-07-08 一种支持隐私保护的群智感知激励机制方法 Expired - Fee Related CN110365671B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910610945.8A CN110365671B (zh) 2019-07-08 2019-07-08 一种支持隐私保护的群智感知激励机制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910610945.8A CN110365671B (zh) 2019-07-08 2019-07-08 一种支持隐私保护的群智感知激励机制方法

Publications (2)

Publication Number Publication Date
CN110365671A CN110365671A (zh) 2019-10-22
CN110365671B true CN110365671B (zh) 2021-08-10

Family

ID=68218517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910610945.8A Expired - Fee Related CN110365671B (zh) 2019-07-08 2019-07-08 一种支持隐私保护的群智感知激励机制方法

Country Status (1)

Country Link
CN (1) CN110365671B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091532B (zh) * 2021-11-14 2024-08-23 广东电网有限责任公司江门供电局 一种基于群智感知的配电变压器运行声信号采集方法
CN114189332B (zh) * 2021-12-20 2023-12-19 苏州科技大学 基于对称加密和双层真值发现的连续群感知激励方法
CN115150069B (zh) * 2022-06-13 2024-04-30 湖北工业大学 群智感知中基于高斯分布过滤的安全数据采集方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8335526B2 (en) * 2009-12-14 2012-12-18 At&T Intellectual Property I, Lp Location and time specific mobile participation platform
CN107135076A (zh) * 2017-03-30 2017-09-05 西安电子科技大学 一种无可信第三方的参与式感知激励机制实现方法
CN108055119B (zh) * 2017-12-11 2021-07-20 北方工业大学 一种群智感知应用中基于区块链的安全激励方法和系统
CN109960583B (zh) * 2019-01-28 2022-10-28 福建师范大学 一种面向任务需求的选择激励的方法及终端

Also Published As

Publication number Publication date
CN110365671A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
US11232478B2 (en) Methods and system for collecting statistics against distributed private data
CN108768992B (zh) 基于区块链的信息匿名传输方法、设备及可读存储介质
US11069171B2 (en) System and method for cryptographic choice mechanisms
CN110365671B (zh) 一种支持隐私保护的群智感知激励机制方法
CN115795518B (zh) 一种基于区块链的联邦学习隐私保护方法
Wang et al. A privacy and efficiency-oriented data sharing mechanism for iots
Petrlic et al. Privacy-preserving reputation management
CN111461851B (zh) 一种基于区块链的双盲招投标系统和招投标方法
Xiong et al. Anonymous auction protocol based on time-released encryption atop consortium blockchain
Zhu et al. Anonymous voting scheme for boardroom with blockchain
CN116187471A (zh) 基于区块链的身份匿名与可问责隐私保护联邦学习方法
Wang et al. Towards a Smart Privacy‐Preserving Incentive Mechanism for Vehicular Crowd Sensing
CN117235756A (zh) 一种用于空间信息模型构建与追溯的区块链存证方法及系统
CN114584357A (zh) 一种基于非同质化Token匿名安全投票的方法
JP4971917B2 (ja) 署名生成装置、署名検証装置、グループ管理装置、およびそれらのプログラム
Sheikhi et al. Receipt-Free Electronic Voting from zk-SNARK.
Fan et al. Fair anonymous rewarding based on electronic cash
Wu et al. Fair electronic voting via bitcoin deposits
JP2001101316A (ja) 電子入札方法、デジタル署名方法及び記録媒体並びに情報証明方法
Cheng et al. FAB-D2PIM: A Full Anonymous Blockchain-based Distributed Privacy-Preserving Incentive Mechanism for Crowdsensing
Liu et al. EPFFL: Enhancing Privacy and Fairness in Federated Learning for Distributed e-Healthcare Data Sharing Services
Zhang et al. A Secure Incentive Mechanism in Blockchain-Based Mobile Crowdsensing
Carr Towards fairness and decentralisation in modern cryptocurrencies
Yao et al. A mobile agent system providing offer privacy
KR20010000030A (ko) 매수행위 방지 가능한 전자투표 시스템

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210810